技术特征：
1.一种基于深度自动编码器的基因表达数据聚类方法，其特征在于，包括：s1：获取基因表达数据；s2：对基因表达数据进行预处理，得到mrna数据；s3：将mrna数据输入到训练好的深度自动编码器中，得到降维后的mrna数据；s4：采用mclust包确定降维后的mrna数据的聚类簇数；s5：根据聚类簇数，采用k-means聚类算法对降维后的mrna数据进行聚类，得到聚类结果。2.根据权利要求1所述的一种基于深度自动编码器的基因表达数据聚类方法，其特征在于，对获取的基因表达数据进行预处理包括：从基因表达数据中提取mrna数据；对mrna数据进行基因id转换、缺失值处理和删除重复基因，得到得到初步处理好的mrna数据；对初步处理好的mrna数据进行剔除过低表达量基因处理；使用方差稳定变换对剔除过低表达量基因后的数据进行标准化处理，得到预处理好的mrna数据。3.根据权利要求1所述的一种基于深度自动编码器的基因表达数据聚类方法，其特征在于，对深度自动编码器进行训练包括：深度自动编码器包括编码器和解码器；s31：采用编码器对输入mrna数据进行特征学习，得到降维后的mrna数据；s32：采用解码器对降维后的mrna数据进行重构，得到重构的mrna数据；s33：根据重构的mrna数据和原mrna数据计算损失函数，返回步骤s31，当损失函数最小时，得到训练好的深度自动编码器。4.根据权利要求3所述的一种基于深度自动编码器的基因表达数据聚类方法，其特征在于，深度自动编码器的编码器处理数据的公式为：y＝f
θ
(x)＝f
k
(f
k-1
(...f1(x)))＝σ
k
(σ
k-1
(...σ1(wx+b)))其中，x表示输入向量，y表示降维后的mrna数据，f
θ
表示编码器，f
i
表示深度网络中第i层的映射函数，σ
k
表示第k层的激活函数，w表示权重矩阵值，b表示偏移矩阵。5.根据权利要求3所述的一种基于深度自动编码器的基因表达数据聚类方法，其特征在于，深度自动编码器的解码器处理数据的公式为：z＝g
θ
′
(y)＝g
k
(g
k-1
(...g1(y)))＝σ
k
(σ
k-1
(...σ1(w
′
y+b
′
)))其中，y表示输入的经过降维的mrna数据，z表示重构基因向量，g
θ
′
＝{g1,g2,...,g
k
}表示解码器，σ
k
表示激活函数，w
′
表示权重矩阵值，b
′
表示偏移矩阵。6.根据权利要求3所述的一种基于深度自动编码器的基因表达数据聚类方法，其特征在于，损失函数为：l＝-log p(x|z)＝-log p(x|z＝g
θ
′
(f
θ
(x)))其中，l表示损失函数，x表示输入的原mrna数据，z表示输入x的一个重构基因向量，f
θ
(x)表示经过降维的mrna数据，g
θ
′
表示解码器。7.根据权利要求1所述的一种基于深度自动编码器的基因表达数据聚类方法，其特征在于，采用mclust包确定降维后的mrna数据的聚类簇数包括：设定初始聚类簇数的范围；在聚类簇数的范围内，mclust包中所有算法均根据不同的聚类簇数计算bic值；将使得bci值最大时的聚类簇数作为mrna数据的聚类簇数。8.根据权利要求7所述的一种基于深度自动编码器的基因表达数据聚类方法，其特征在于，bic值的计算公式为：
其中，m表示mclust包中第m个算法，g表示聚类簇数，x表示输入的经过降维的mrna数据，表示极大似然估计，n表示基因数目，v表示估计参数个数。9.根据权利要求1所述的一种基于深度自动编码器的基因表达数据聚类方法，其特征在于，采用k-means聚类算法对降维后的mrna数据进行聚类包括：s51：定义初始聚类中心；s52：根据聚类中心对mrna数据进行聚类，得到聚类后的mrna数据；s53：根据所有mrna数据与聚类中心的距离计算目标函数；s54：更新聚类中心，返回步骤s52，当目标函数最小时，停止聚类。10.根据权利要求9所述的一种基于深度自动编码器的基因表达数据聚类方法，其特征在于，目标函数为：其中，s
i
表示第i个簇，μ
i
表示簇s
i
的均值向量聚类中心，k表示聚类簇数，x表示mrna数据。
技术总结
本发明属于基因表达数据分析领域，具体涉及一种基于深度自动编码器的基因表达数据聚类方法；该方法包括：获取基因表达数据；对基因表达数据进行预处理，得到mRNA数据；将mRNA数据输入到训练好的深度自动编码器中，得到降维后的mRNA数据；采用mclust包确定降维后的mRNA数据的聚类簇数；根据聚类簇数，采用k-means聚类算法对降维后的mRNA数据进行聚类，得到聚类结果；本发明采用mclust包确定聚类簇数，避免了人为设置聚类簇数的局限性，聚类结果更准确；将深度自动编码器与聚类方法相结合，加快了聚类运算速度，且有效地提升了聚类的效果，具有良好的应用前景。具有良好的应用前景。具有良好的应用前景。
技术研发人员：何瑶 舒坤贤
受保护的技术使用者：重庆邮电大学
技术研发日：2022.01.05
技术公布日：2022/4/15